مهندس کاهش کربن مهندسی Tunley ، هارون وینلی ، توضیح می دهد که چگونه هوش مصنوعی (AI) راه را به سمت خالص صفر سوق می دهد.

چهارمین انقلاب صنعتی (صنعت 4. 0) در حال حاضر اتفاق می افتد ، و نحوه انجام عملیات تولیدی را تغییر می دهد. صنعت 4. 0 محصولی از دوران دیجیتال است زیرا اتوماسیون و تبادل داده در فن آوری های تولید ، سیستم کنترل صنعتی مرکزی را به یک مجموعه هوشمند تبدیل می کند که دنیای فیزیکی و دیجیتال را که از طریق اینترنت اشیاء (IOT) به آن پرداخته می شود ، تغییر می دهد.

صنعت 4. 0 در حال ایجاد سیستم های فیزیکی سایبری است که می تواند یک فرآیند تولید را ایجاد کند که باعث ایجاد ارزش و بهینه سازی در زمان واقعی می شود. عامل اصلی هدایت انقلاب ، پیشرفت در هوش مصنوعی (AI) و یادگیری ماشین است. الگوریتم های پیچیده درگیر در AI از داده های جمع آوری شده از سیستم های سایبری فیزیکی استفاده می کنند و در نتیجه "تولید هوشمند" ایجاد می شود.

تأثیراتی که صنعت 4. 0 بر تولید خواهد داشت ، نجومی خواهد بود زیرا می توان عملیات را به طور خودکار برای تولید حاشیه سود بهینه کرد. با این حال ، استفاده از AI و تولید هوشمند نیز می تواند به نفع محیط زیست باشد. از فناوری های مورد استفاده برای بهینه سازی سود نیز می توان برای تولید بینش در مورد ردپای کربن یک شرکت و تسریع پایداری آن استفاده کرد. برخی از این روش ها برای کمک به شرکت ها در حال کاهش انتشار گازهای گلخانه ای خود در حال حاضر در دسترس است. روشهای دیگر پتانسیل کاهش انتشار گازهای گلخانه ای جهانی در آینده را دارند.

شناسایی دامنه 3

میزان انتشار گازهای گلخانه ای Scope 3 از زنجیره تأمین یک شرکت ، هم فعالیت های بالادست و هم در پایین دست است. این بدان معنی است که دامنه 3 همه منابع انتشار GHG یک شرکت را به جز مواردی که مستقیماً توسط شرکت ایجاد می شود و آنهایی که از استفاده از برق ایجاد شده اند ، پوشش می دهد. جای تعجب نیست که به طور متوسط 3 میزان انتشار گازهای گلخانه ای 5. 5 برابر بیشتر از مبلغ ترکیبی از دامنه 1 و دامنه 2 است. بنابراین ، شرکت ها باید اطمینان حاصل کنند که هر سه دامنه در پایه انتشار گازهای گلخانه ای خود کمیت می شوند.

با این حال ، در مقایسه با اندازه گیری دامنه 1 و دامنه 2 ، اندازه گیری و محاسبه دامنه 3 دشوار است. این امر به دلیل عدم شفافیت در زنجیره های تأمین ، عدم ارتباط با تأمین کنندگان و استانداردهای پیچیده صنعتی است که اطلاعات گمراه کننده را ارائه می دهد. موضوعات مهم مربوط به انتشار 3 به شرح زیر است:

• قابلیت اطمینان داده ها - این شامل تنوع در کیفیت داده ها بین زنجیره های تأمین و عدم اطمینان در فاکتورهای انتشار کربن است که برای محاسبه انتشار گازهای گلخانه ای استفاده می شود.
• شمارش مضاعف - با اتصال زنجیره های عرضه شرکت ها ، می توان به راحتی دو برابر شد. به عنوان مثال ، حمل و نقل یک محصول برای یک شرکت نیز حمل و نقل مواد برای یک شرکت دیگر است.
• انتساب منصفانه زنجیره های عرضه کل - با توجه به اینکه کل انتشار گازهای گلخانه ای برای زنجیره تأمین با موفقیت حساب شده است ، مسئولیت منصفانه هر بازیگر در زنجیره تأمین چیست؟

ابزارهای مبتنی بر هوش مصنوعی می توانند به ایجاد انتشار پایه 3 برای شرکت ها کمک کنند زیرا از آنها برای مدل سازی یک زنجیره تأمین کامل استفاده می شود. این ابزارها می توانند به سرعت و کارآمد از طریق حجم زیادی از داده های جمع آوری شده از سنسورها مرتب شوند. اگر یک شرکت سنسورهای کافی را در کل حوزه عملیات مستقر کند ، می تواند منابع انتشار گازهای گلخانه ای را شناسایی کرده و حتی گل های متان را تشخیص دهد.

بهینه سازی دوقلوی دیجیتال

یک دوقلوی دیجیتال یک مدل هوش مصنوعی است که به عنوان یک نمایش دیجیتالی از یک قطعه فیزیکی از تجهیزات یا یک سیستم کامل کار می کند. یک دوقلو دیجیتال می تواند به صنعت کمک کند تا مدیریت انرژی را با استفاده از مدل های جانشین هوش مصنوعی برای نظارت بهتر و توزیع منابع انرژی و ارائه پیش بینی هایی برای آماده سازی بهتر فراهم کند. یک دوقلوی دیجیتال بسیاری از منابع داده را بهینه می کند و آنها را روی داشبورد می آورد تا کاربران بتوانند آن را در زمان واقعی تجسم کنند. به عنوان مثال ، یک مطالعه موردی در دانشگاه فناوری نانیانگ در طی پنج سال از دوقلوهای دیجیتالی در 200 ساختمان دانشگاه استفاده کرد و موفق به صرفه جویی 31 ٪ در انرژی و 9،600 TCO شد₂ه. در این تحقیق از فناوری ICL IES برای برنامه ریزی ، بهره برداری و مدیریت امکانات دانشگاه برای به حداقل رساندن مصرف انرژی استفاده شده است.

دوقلوهای دیجیتال می توانند به عنوان ماکت های مجازی سیستم های ساختمان ، فرآیندهای صنعتی ، وسایل نقلیه و بسیاری از فرصت های دیگر مورد استفاده قرار گیرند. محیط مجازی آزمایش و تکرار بیشتری را امکان پذیر می کند تا همه چیز به بهترین عملکرد خود بهینه شود. این بدان معنی است که می توان از دوقلوهای دیجیتال برای بهینه سازی مدیریت ساختمان استفاده کرد و استراتژی های هوشمندانه ای که مبتنی بر کاهش کربن هستند ، استفاده شود.

تعمیرات قابل پیش بینی

نگهداری پیش بینی کننده ماشین ها و تجهیزات مورد استفاده در صنعت اکنون به روش معمول تبدیل شده است زیرا باعث صرفه جویی در هزینه شرکت ها در انجام تعمیر و نگهداری برنامه ریزی شده یا هزینه های رفع تجهیزات شکسته می شود. ابزار مبتنی بر هوش مصنوعی از یادگیری ماشین برای یادگیری چگونگی نقشه های داده سنسور تاریخی به سوابق نگهداری تاریخی استفاده می کند. هنگامی که یک الگوریتم یادگیری ماشین با استفاده از داده های تاریخی آموزش دیده است ، می تواند با موفقیت پیش بینی کند که چه موقع نگهداری بر اساس خوانش سنسور زنده در یک گیاه لازم است. تعمیر و نگهداری پیش بینی به طور دقیق از سایش و پارگی ماشین آلات که در حال استفاده است ، مدل می کند.

بهترین بخش از نگهداری پیش بینی این است که برای نظارت بیشتر به هزینه های اضافی احتیاج ندارد. الگوریتم هایی ایجاد شده اند که پیش بینی های دقیقی را بر اساس داده های تله متری عملیاتی ارائه می دهند که از قبل موجود است. تعمیر و نگهداری پیش بینی شده همراه با سایر روشهای مبتنی بر هوش مصنوعی مانند تخمین زمان نگهداری و برنامه ریزی وظیفه نگهداری می تواند برای ایجاد یک گردش کار بهینه برای فرآیندهای صنعتی استفاده شود. برعکس ، بهبود رژیم های نگهداری فعلی که اغلب به خرابی بدون برنامه ریزی ، نقص کیفیت و تصادفات کمک می کنند ، برای همه جذاب است.

یک برنامه نگهداری بهینه تولید شده از تعمیر و نگهداری پیش بینی کننده مانع از کار می شود که اغلب لازم نیست. صرفه جویی در کربن از طریق استقرار کنترل شده قطعات یدکی ، سفر کمتر برای افراد به محل و تیراندازی داغ کمتر از قطعات یدکی انجام می شود. مداخله با تعمیر و نگهداری فقط در صورت لزوم و لحظه ای خیلی دیر ، در استفاده از برق ، کارآیی (با جلوگیری از کاهش عملکرد) و کار انسان صرفه جویی می شود. علاوه بر این ، سیستم ها می توانند از تعمیر و نگهداری پیش بینی شده بر روی لوله هایی که در معرض نشت بهار قرار دارند استفاده کنند تا به حداقل رساندن انتشار مستقیم GHG مانند HFC و گاز طبیعی به حداقل برسد. بنابراین ، این پتانسیل عظیمی برای پس انداز کربن دارد.

تحقیقات نشان داده است که زیربنای برنامه ریزی فعالیت های نگهداری در تخمین زمان پیش بینی نگهداری و نگهداری می تواند یک برنامه ریزی بهینه نگهداری را ایجاد کند (Sendley ، Ejeh ، Allen ، Brown ، & Cordiner ، 2021). کار با به حداقل رساندن هزینه ها بر اساس چیدمان گیاه ، خرابی و محدودیت های کار ، برنامه ریزی را بهینه کرد. با این حال ، برنامه ریزی نیز می تواند با بهینه سازی برنامه مربوط به انتشار کربن برنامه ریزی شود. در این شرایط ، فعالیت های نگهداری می تواند به گونه ای انجام شود که سفرهای کمتری انجام شود و انتشار گازهای گلخانه ای ذخیره شود.

اقتصاد دایره ای IoT

اینترنت اشیاء (IoT) سیستم کنترل صنعتی دیجیتال ، شبکه ای از اشیاء فیزیکی است که توسط سنسورها ، نرم افزار و سایر فناوری ها از طریق اینترنت متصل می شوند که داده ها را با هر چیز تبادل می کنند. با گذشت زمان ، اجرای IoT در سراسر جهان خواهد بود و هر فرآیند تولید و زنجیره تأمین به عنوان یک تصویر مجازی در دسترس خواهد بود.

دسترسی آزاد به اجرای جهانی IoT این پتانسیل را دارد که یک اقتصاد واقعاً دایره ای را فراهم کند. طراحان محصول می توانند از اطلاعات موجود از IoT استفاده کنند و از زباله های افراد دیگر ارزش ایجاد کنند. از لحاظ تئوریکی ، ما می توانیم اثری را ایجاد کنیم که فرآیندهای تولید همه به گونه ای مرتبط باشند تا مواد اولیه استخراج شده صفر ، زباله های صفر دفع شده و انتشار خالص صفر وجود داشته باشد.

در حال حاضر ، جهان فرآیندهای تولید را یک بار توسعه داده است ، نه زنجیرهای ارزش به هم پیوسته در صنایع. ممکن است مدت زمان طولانی باشد تا زمانی که IoT تصویر مجازی در سراسر جهان را ایجاد کند ، اما هنگامی که این فناوری به اندازه کافی قدرتمند باشد تا بتواند ضرر و زیان را از هر فرآیند و تبادل مواد بین شرکت های متصل به دست آورد. هم مواد و هم مصرف انرژی را می توان در CO پایین تر به اشتراک گذاشت₂انتشار گازهای گلخانه ای به طرز چشمگیری. ممکن است چندین دهه طول بکشد ، اما IoT این فناوری را برای ایجاد اقتصاد دایره ای فراهم می کند.

نتیجه

هوش مصنوعی از پتانسیل عظیمی برای بهره مندی از محیط زیست و سوق دادن جهان به سمت خالص صفر برخوردار است. نمونه کارها فعلی تحقیقاتی که در موسسه Alan Tuing (مرکز ملی علوم داده در انگلستان) انجام می شود ، شامل پروژه هایی است که بررسی می کند که چگونه یادگیری ماشین می تواند بخشی از راه حل تغییرات آب و هوایی باشد. به عنوان مثال ، یک الگوریتم اتاق کنترل برق برای ارائه پشتیبانی از تصمیم گیری و اطمینان از امنیت انرژی برای یک سیستم دکربن شده تهیه شده است. برنامه ریزی برق شبکه ملی با پیش بینی تقاضای برق و بهینه سازی برنامه بهبود می یابد. علاوه بر این ، صنعت 4. 0 می تواند برای تأثیراتی که استراتژی های گرمایش جهانی و دفع کربن سازی بر زندگی ما داشته باشد ، برنامه ریزی کند.

منابع

Sendley ، A. S. ، Ejeh ، J. O. ، Allen ، L. ، Brown ، S. F. ، & Cordiner ، J. (2021). ادغام تکنیک های یادگیری ماشین در برنامه ریزی بهینه نگهداری. نسخه خطی ارسال شده برای انتشار.